DOI: https://doi.org/10.3389/fncom.2025.1556483
PMID: https://pubmed.ncbi.nlm.nih.gov/40741073
تاريخ النشر: 2025-07-16
المؤلف: Ting Jiang وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تقدم ورقة البحث إطارًا جديدًا يدمج إشارات تخطيط الدماغ الكهربائي (EEG) لتحليل التأثيرات المعرفية للتفاعلات مع نماذج اللغة الكبيرة (LLMs). يجمع الإطار بين محول اللغة المدرك للتفاعل (IALT) واستراتيجية التفكير المحسنة للتفاعل (IORS) لتعزيز العمليات المعرفية مثل الانتباه، والعبء المعرفي، واتخاذ القرار. من خلال استخدام بيانات عصبية في الوقت الحقيقي من مجموعات بيانات EEG متعددة، تُظهر الدراسة أن هذا النهج يتفوق بشكل كبير على النماذج الحالية في دقة تصنيف المشاعر والتوافق مع الإشارات المعرفية، مما يُظهر قوته عبر تكوينات EEG المختلفة، بما في ذلك الأنظمة المحمولة.
تشير النتائج إلى أن الإطار المدمج مع EEG يلتقط بشكل فعال الارتباطات العصبية الدقيقة للحالات المعرفية أثناء المهام المدعومة بالذكاء الاصطناعي، مما يوفر رؤى قابلة للتفسير حول إدراك المستخدم. مع الاعتراف بالتحديات اللوجستية، تم تصميم الإطار ليكون قابلًا للتوسع والتطبيق العملي، مستخدمًا تقنيات معالجة مسبقة خفيفة الوزن وهياكل تعلم عميقة معيارية لتسهيل النشر في الوقت الحقيقي. ستركز الأبحاث المستقبلية على دمج أنظمة EEG ذات المستشعرات الجافة ووحدات LLM على الجهاز، بالإضافة إلى استكشاف التأثيرات المعرفية طويلة الأمد للتفاعلات المستمرة مع LLM، والتي قد تؤثر على تخصيص الانتباه واستراتيجيات اتخاذ القرار بمرور الوقت. تضع هذه العمل أساسًا لتطوير أنظمة تفاعل إنسان-ذكاء اصطناعي تتكيف مع الإدراك المعرفي ومرونة المستخدم.
مقدمة
تؤكد مقدمة ورقة البحث هذه على أهمية فهم كيفية تأثير التفاعلات مع نماذج اللغة الكبيرة (LLMs) على العمليات المعرفية مثل حل المشكلات واتخاذ القرار. مع تزايد أهمية الذكاء الاصطناعي في أنظمة دعم القرار، من الضروري استكشاف كيفية تأثير هذه التفاعلات على الآليات العصبية التي تكمن وراء المهام المعرفية. يُعتبر تخطيط الدماغ الكهربائي (EEG) أداة حيوية للتحليل في الوقت الحقيقي لنشاط الدماغ المتعلق بالوظائف المعرفية، مما يمكّن الباحثين من التحقيق في التأثيرات الإيجابية والسلبية لـ LLMs على الإدراك البشري. تسلط الورقة الضوء على التطور من أنظمة الذكاء الاصطناعي الرمزية السابقة، التي فرضت أعباء معرفية عالية بسبب صلابتها، إلى نماذج التعلم الآلي الأكثر تكيفًا التي قللت من الضغط المعرفي وحسنت من تفاعل المستخدم.
تناقش المقدمة أيضًا الدور التحويلي للتعلم العميق وLLMs، التي أحدثت ثورة في تفاعل الإنسان مع الذكاء الاصطناعي من خلال تقديم استجابات متماسكة وواعية للسياق. تشير دراسات EEG إلى أن هذه التفاعلات تؤدي إلى تغييرات كبيرة في نشاط الدماغ، خاصة في المناطق المتعلقة بالمعالجة الدلالية والتحكم المعرفي. ومع ذلك، لا تزال التحديات مثل خطر الاعتماد المفرط على الإدراك والتحيز مستمرة. لمعالجة هذه القضايا، يقترح المؤلفون إطارًا جديدًا يدمج تحليل EEG مع المهام المدفوعة بـ LLM، مستخدمين نماذج التعلم العميق المعتمدة على الانتباه وتقنيات الذكاء الاصطناعي القابلة للتفسير. يهدف هذا النهج الهجين إلى تعزيز الأداء المعرفي مع توفير رؤى قابلة للتفسير حول العلاقة بين إشارات EEG والحالات المعرفية، مما يحسن في النهاية من تفاعل المستخدم ونتائج اتخاذ القرار. تشير النتائج الأولية إلى أن الإطار يكتشف بشكل فعال الحالات المعرفية المحددة للمهام ويعزز أداء المستخدم في المهام المدعومة بـ LLM.
الطرق
في هذا القسم، يوضح المؤلفون الطرق التجريبية المستخدمة لتقييم إطارهم المقترح للتعرف على المشاعر باستخدام بيانات EEG. استخدموا أربعة مجموعات بيانات متاحة للجمهور—DEAP، AMIGOS، SEED، وDREAMER—تم اختيارها لقدرتها على استنباط ديناميكيات دماغية معقدة مرتبطة بالعمليات المعرفية. تضمنت الإعدادات التجريبية معالجة إشارات EEG من خلال تصفية نطاق التردد، والتطبيع، وتقليل العينة، تلاها استخراج الميزات باستخدام تحويل فورييه قصير المدى (STFT). جمع هيكل النموذج بين الشبكات العصبية الالتفافية (CNN) لاستخراج الميزات المكانية وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لتعلم الميزات الزمنية، وتم تحسينها باستخدام مُحسّن آدم بمعدل تعلم قدره 0.001. ضمنت استراتيجية التحقق المتقاطع ذات الخمس طيات استقلالية الموضوع، مما عزز من قابلية تعميم النموذج.
أظهرت النتائج أن الطريقة المقترحة تفوقت باستمرار على الأساليب الرائدة (SOTA) عبر جميع مجموعات البيانات، محققة أعلى دقة بنسبة 85.12% على مجموعة بيانات SEED و82.65% على مجموعة بيانات DREAMER. تم عزو التحسينات في مقاييس الأداء مثل الدقة، والاسترجاع، ودرجة F1، والمساحة تحت المنحنى (AUC) إلى الدمج الفعال للميزات المكانية والزمنية من خلال هيكل CNN-LSTM. بالإضافة إلى ذلك، نفذ المؤلفون استراتيجيات متنوعة للتخفيف من الإفراط في التكيف، بما في ذلك تنظيم التسرب وتقنيات زيادة البيانات. تؤكد النتائج على قوة ومرونة الإطار المقترح، مما يضع معيارًا جديدًا للتعرف على المشاعر من إشارات EEG في كل من السياقات ذات الكثافة العالية والمنخفضة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الآثار المعرفية للتفاعلات مع نماذج اللغة الكبيرة (LLMs) من خلال عدسة العبء المعرفي، وتنظيم المشاعر، والآليات العصبية. يؤكد على أن LLMs يمكن أن تؤثر بشكل كبير على العبء المعرفي، كما يتضح من بيانات EEG التي تُظهر أن التفاعلات يمكن أن تخفف أو تزيد من المطالب المعرفية. على وجه الخصوص، تشير زيادة نشاط ثيتا في المنطقة الجبهية إلى مطالب أعلى لذاكرة العمل، بينما تعكس قمع ألفا تعزيز الانخراط المعرفي. تشير الدراسات إلى أن LLMs يمكن أن تقلل من العبء المعرفي من خلال تخفيف المهام المعقدة، لكن المعلومات الزائدة يمكن أن تؤدي إلى زيادة العبء المعرفي، والتي تتميز بزيادة نشاط ثيتا وانخفاض كفاءة المهام.
بالإضافة إلى ذلك، تناقش الورقة دور تنظيم المشاعر في اتخاذ القرار، مشيرة إلى أن LLMs يمكن أن تعدل الحالات العاطفية من خلال التفاعلات التعاطفية، مما يؤثر بدوره على الأداء المعرفي. تكشف مقاييس EEG، مثل عدم التماثل الجبهي ألفا، أن الحالات العاطفية الإيجابية تعزز الإبداع وتقلل من تحيزات اتخاذ القرار، بينما يمكن أن تؤدي الحالات السلبية إلى تفاقم التحيزات مثل تجنب الخسارة. تشير النتائج إلى أن دمج تحليل EEG مع تفاعلات LLM يمكن أن يُعلم تصميم أنظمة الذكاء الاصطناعي الموجهة نحو المستخدم التي تعزز اتخاذ القرار الأمثل من خلال التوافق مع العمليات المعرفية والعاطفية البشرية. بشكل عام، تؤكد الأبحاث على إمكانية استخدام رؤى قائمة على EEG لتعزيز فعالية LLMs في دعم الإدراك البشري واتخاذ القرار.
DOI: https://doi.org/10.3389/fncom.2025.1556483
PMID: https://pubmed.ncbi.nlm.nih.gov/40741073
Publication Date: 2025-07-16
Author(s): Ting Jiang et al.
Primary Topic: Emotion and Mood Recognition
Overview
The research paper presents a novel framework that integrates electroencephalography (EEG) signals to analyze the cognitive impacts of interactions with large language models (LLMs). The framework combines an Interaction-Aware Language Transformer (IALT) and an Interaction-Optimized Reasoning Strategy (IORS) to enhance cognitive processes such as attention, cognitive load, and decision-making. By utilizing real-time neural data from multiple EEG datasets, the study demonstrates that this approach significantly outperforms existing models in emotion classification accuracy and alignment with cognitive signals, showcasing its robustness across various EEG configurations, including portable systems.
The findings indicate that the EEG-integrated framework effectively captures fine-grained neural correlates of cognitive states during AI-assisted tasks, providing interpretable insights into user cognition. While acknowledging logistical challenges, the framework is designed for scalability and practical application, employing lightweight preprocessing techniques and modular deep learning architectures to facilitate real-time deployment. Future research will focus on the integration of dry-sensor EEG systems and on-device LLM modules, as well as exploring the long-term cognitive effects of sustained LLM interactions, which may influence attention allocation and decision-making strategies over time. This work lays a foundation for developing neuroadaptive human-AI interaction systems that prioritize cognitive awareness and user adaptability.
Introduction
The introduction of this research paper emphasizes the significance of understanding how interactions with large language models (LLMs) influence cognitive processes such as problem-solving and decision-making. As AI becomes integral to decision-support systems, it is crucial to explore how these interactions affect neural mechanisms underlying cognitive tasks. Electroencephalography (EEG) serves as a vital tool for real-time analysis of brain activity related to cognitive functions, enabling researchers to investigate both the positive and negative impacts of LLMs on human cognition. The paper highlights the evolution from earlier symbolic AI systems, which imposed high cognitive loads due to their rigidity, to more adaptive machine learning models that reduced cognitive strain and improved user engagement.
The introduction also discusses the transformative role of deep learning and LLMs, which have revolutionized human-AI interaction by providing coherent and context-aware responses. EEG studies indicate that these interactions lead to significant changes in brain activity, particularly in areas related to semantic processing and cognitive control. However, challenges such as the risk of cognitive overreliance and bias reinforcement persist. To address these issues, the authors propose a novel framework that integrates EEG analysis with LLM-driven tasks, utilizing attention-based deep learning models and explainable AI techniques. This hybrid approach aims to enhance cognitive performance while providing interpretable insights into the relationship between EEG signals and cognitive states, ultimately improving user engagement and decision-making outcomes. Preliminary results suggest that the framework effectively detects task-specific cognitive states and enhances user performance in LLM-aided tasks.
Methods
In this section, the authors detail the experimental methods employed to evaluate their proposed framework for emotion recognition using EEG data. They utilized four publicly available datasets—DEAP, AMIGOS, SEED, and DREAMER—chosen for their ability to elicit complex brain dynamics associated with cognitive processes. The experimental setup involved preprocessing EEG signals through bandpass filtering, normalization, and downsampling, followed by feature extraction using Short-Time Fourier Transform (STFT). The model architecture combined convolutional neural networks (CNN) for spatial feature extraction and long short-term memory (LSTM) networks for temporal feature learning, optimized using the Adam optimizer with a learning rate of 0.001. A 5-fold cross-validation strategy ensured subject independence, enhancing the model’s generalizability.
The results demonstrated that the proposed method consistently outperformed state-of-the-art (SOTA) approaches across all datasets, achieving the highest accuracy of 85.12% on the SEED dataset and 82.65% on the DREAMER dataset. The improvements in performance metrics such as Accuracy, Recall, F1 Score, and Area Under the Curve (AUC) were attributed to the effective integration of spatial and temporal features through the CNN-LSTM architecture. Additionally, the authors implemented various strategies to mitigate overfitting, including dropout regularization and data augmentation techniques. The findings underscore the robustness and adaptability of the proposed framework, setting a new benchmark for emotion recognition from EEG signals in both high-density and low-density contexts.
Discussion
The discussion section of the research paper highlights the cognitive implications of interactions with large language models (LLMs) through the lens of cognitive load, emotional regulation, and neural mechanisms. It emphasizes that LLMs can significantly influence cognitive load, as evidenced by EEG data showing that interactions can either alleviate or exacerbate cognitive demands. Specifically, increased theta activity in the frontal region indicates higher working memory demands, while alpha suppression reflects enhanced cognitive engagement. Studies indicate that LLMs can reduce cognitive load by offloading complex reasoning tasks, but excessive information can lead to cognitive overload, characterized by heightened theta activity and decreased task efficiency.
Additionally, the paper discusses the role of emotional regulation in decision-making, noting that LLMs can modulate emotional states through empathetic interactions, which in turn affect cognitive performance. EEG measures, such as frontal alpha asymmetry, reveal that positive emotional states enhance creativity and reduce decision biases, while negative states can exacerbate biases like loss aversion. The findings suggest that integrating EEG analysis with LLM interactions can inform the design of user-centric AI systems that promote optimal decision-making by aligning with human cognitive and emotional processes. Overall, the research underscores the potential of EEG-based insights to enhance the effectiveness of LLMs in supporting human cognition and decision-making.